引言
作为一名数据科学家，我一直有一个梦想——顶级科技公司在与我相关的领域不断推出新产品。
如果你观看了Apple公司最新的iPhone X发布会，你会发现iPhone X具有非常酷的特性，比如FaceID、动态表情、增强现实，这些特性都使用了机器学习。作为一名骇客，我决定亲自上手探索一下如何建立那样的系统。
进一步调查后我发现了一个很有趣的工具，那就是Apple官方面向开发者推出的机器学习框架工具CoreML。它可以在iPhone、Macbook、Apple TV、Apple watch等任何一个苹果设备上使用。
另一个有趣的发现是Apple在最新的iPhone手机上设计了一个定制GPU，以及一个带有神经引擎的A11先进仿生学处理芯片，以便用于优化机器学习。
随着核心组件计算引擎功能日益强大，iPhone将开辟机器学习的新途径，CoreML在未来的意义将越来越重要。
读完这篇文章，大家将会了解Apple CoreML是什么以及为何它势头正猛。我们也将通过开发一款iPhone上的垃圾短信分类app来与大家一起一探CoreML的实现细节。
同时，我们也会通过客观评价CoreML的利弊来结束本篇文章。
文章目录：
CoreML是什么?
建立系统
案例学习：实现一个iPhone上的垃圾短信分类app
使用CoreML的利弊
01、CoreML是什么?
今年，Apple公司在每年一次的全球开发者大会WWDC(类似于谷歌的I/O会议)上大肆宣传CoreML。为了更好地理解CoreML的作用，我们需要了解一些背景。
CoreML的背景
有趣的是，这并不是Apple公司第一次发布移动端机器学习框架。去年它就发布了一些同样的框架库：
Accelerate 框架和基本神经网络子程序(BNNS)——高效利用CPU并使用卷积神经网络进行预测。
Metal Performance Shaders CNN(MPSCNN)——高效利用GPU并使用卷积神经网络进行预测。
这两个框架库的区别在于，一个针对CPU优化而另一个针对GPU。这是因为有时在inference(推断)过程中CPU比GPU计算更快，而在training(训练)过程中几乎每次都是GPU计算更快。
但为了提高性能，框架会非常接近底层硬件，使得这些混合框架对开发者造成混乱，从而很难编程。
走进CoreML
CoreML 会在之前提到的两个库上面提供一个抽象层，并且还会提供一个简单的接口，以达到同样的效率。另一个好处是，在我们的app运行时，CoreML充分照顾到了CPU与GPU之间的上下文切换。
换句话说，假如我们有一个耗内存的任务，它涉及文本处理(自然语言处理)，CoreML将自动在CPU运行;而如果我们有一个计算繁重的任务，例如图像识别，它将使用GPU;当app包含这两种功能的时候，它又会自动切换从而使得两者都得到最大化的利用。
CoreML还将提供什么?
CoreML顶层还附带了三个库：
Vision：这个库提供了高性能图像分析与计算机视觉技术，用于人脸识别、特征检测以及图像与视频中的场景识别。
Foundation(NLP)：顾名思义，它提供了自然语言处理的一些功能
Gameplay Kit：用于游戏开发的库，此外它还提供了AI，并运用决策树。
以上提到的所有库都可以用一些简单的接口轻松使用，可用于完成一系列任务。通过上述的库，CoreML最终框架图如下：
注意，上述设计给iOS应用程序提供了一个很好的模块化结构。你可以使用不同层进行不同的任务，也可以用多种方式使用它们(例如，在app中使用NLP进行图像分类)。了解更多：Vision、Foundation与GameplayKit。好了，现在我们有了足够的理论知识，是时候实践一下了!
“微信排版限制，需要代码的同学请看文末的原文链接自行查找”
02、建立系统
为了充分使用CoreML，你需要遵循如下要求：
1.OS：MacOS(Sierra 10.12或以上)
2.Python 2.7和pip：点击下载mac上的python。打开终端，输入如下代码安装pip：
sudo easy_install pip
3.coremltools：这个包有助于将你的模型从python转换成CoreML能理解的格式。在终端输入如下代码进行安装：
sudo pip install -U coremltools
4.Xcode 9：这是用于构建Apple设备上应用程序的默认软件。点此下载。下载Xcode之前，你需要使用Apple ID进行登陆。
登陆之后，你需要验证你的apple ID。你将会收到与注册Apple ID的设备相同的通知。
点击“允许”并输入网站显示的6位密码。
当你完成这一步，你将会看到一个下载选项。你可以在那儿下载Xcode。现在，我们建立好了系统，准备好了的话就让我们进入实现部分!
03、案例学习：实现一个iPhone上的垃圾短信分类app
在本次开发中，我们将着重于在两个重要途径上来使用CoreML的能力。让我们开始吧!
将你的机器学习模型转换成CoreML格式
CoreML其中一个优势，或者我应该说它的创造者作出的明智的决定是，支持在sklearn、caffe、xgboost等其他流行框架中训练好的机器学习模型的转换。
数据科学社区并不会不尝试CoreML试行，因为他们可以在他们最喜欢的环境中进行实验、训练他们的模型，然后轻松导入并在iOS/MacOS的app上使用。
下面是即时可用的CoreML支持的框架：
Mlmodel是什么?
为了使转换过程简单，Apple设计了它自己的开放格式来代表跨框架机器学习模型，即mlmodel。这个模型文件包含了模型各层的描述、输入、输出、类标签、任何需要对数据进行的预处理。它还包含了已学习的参数(权重及偏差)。
转换流程如下：
在你最喜欢的框架中训练模型
使用python模块coremltools将模型转换为.mlmodel格式
在app中使用模型
在本次例子中，我们将在sklearn中训练一个垃圾短信分类器，然后将该模型转给CoreML。
关于垃圾短信数据集
SMS垃圾短信数据集 v.1是一个公开的SMS标注短信数据集，用于手机垃圾短信研究。它包含了5574份真实无编码的英文短信，这些短信都标注了合法(做作)或者垃圾短信。
你可以在此下载该数据集。
建立基础模型
我们使用sklearn中的LinearSVC建立基础模型。同时，我们提取短信文本的TF-IDF值作为模型特征。TF-IDF是自然语言处理中的一种方法，它基于唯一标识文档的词来分类文档。如果你想要学习更多NLP和tf-idf的知识，你可以阅读这篇文章。代码如下：
import numpy as npimport pandas as pd#Reading in and parsing dataraw_data = open('SMSSpamCollection.txt', 'r')sms_data = []for line in raw_data: split_line = line.split("\t") sms_data.append(split_line)
#Splitting data into messages and labels and training and testsms_data = np.array(sms_data)X = sms_data[:, 1]y = sms_data[:, 0]
#Build a LinearSVC modelfrom sklearn.feature_extraction.text import TfidfVectorizerfrom sklearn.svm import LinearSVC
#Build tf-idf vector representation of datavectorizer = TfidfVectorizer()vectorized_text = vectorizer.fit_transform(X)text_clf = LinearSVC()text_clf = text_clf.fit(vectorized_text, y)
我们的模型建立好了，让我们用一份垃圾短信测试一下：
#Test the modelprint text_clf.predict(vectorizer.transform(["""XXXMobileMovieClub: To use your credit, click the WAP link in the next txt message or click here>> http://wap. xxxmobilemovieclub.com?n=QJKGIGHJJGCBL"""]))
有趣，我们的模型效果很好!让我们添加交叉验证：
#Cross - Validationfrom sklearn.model_selection import cross_val_scorecross_score = cross_val_score(text_clf, vectorized_text, y, cv=10)print cross_scoreprint "mean:",np.mean(cross_score)
现在已建好模型，为使它适用于CoreML，我们需要把它转换成.mlmodel格式。用之前安装的coremltools工具包来实现。以下代码能将我们的模型转换成.mlmodel格式。
import coremltools
#convert to coreml model
coreml_model = coremltools.converters.sklearn.convert(text_clf, "message", "spam_or_not")
#set parameters of the model
coreml_model.short_description = "Classify whether message is spam or not"
coreml_model.input_description["message"] = "TFIDF of message to be classified"
coreml_model.output_description["spam_or_not"] = "Whether message is spam or not"
#save the model
coreml_model.save("SpamMessageClassifier.mlmodel")
这是如何运作的呢?
首先我们运用coremltools Python工具包。再选择一个转换器对模型进行转换，本例中用converters.sklearn，因为要转换的模型是用sklearn工具建立的。然后在.convert()括号内声明模型对象、输入变量名称、输出变量名称。接下来设置模型参数来添加更多关于输入、输出的信息，最后用.save()保存已转换成CoreML格式的模型文件。
双击模型文件，会用Xcode打开。
如你所见，该模型文件显示了很多信息，关于模型的类型、它的输入、输出，输入输出的类型等。我已在上图中用红色标记。你可以将这些描述和转换成.mlmodel时所提供的一一对比。
将自己的模型引入CoreML就是这么简单。现在你的模型已经在苹果生态系统里了，接下来真正好玩的开始啦!
注意：这一步的完整代码文件请看这里。进一步了解coremltools请看这里，提供的不同种类的转换器请看这里。
将该模型用于我们的app
既然已经训练好模型并引入CoreML中，让我们用该模型开发一个iPhone垃圾信息分类app吧!
我们将在模拟器上运行app。模拟器这一软件能显示app的界面及运行情况，像在iPhone上真正运行那样。这样节省了大量时间，因为用iPhone运行app之前，我们就可以测试代码、调试。看一下最终产品长什么样子吧：
下载工程
我已经为我们的app制作了一个简单基础的UI放在GitHub上。用以下命令加载并运行：
git clone https://github.com/mohdsanadzakirizvi/CoreML-on-iPhone.git
cd CoreML-on-iPhone/Practice\ App/
open coreml\ test.xcodeproj/
这会在Xcode打开我们的项目。
在Xcode窗口中我用红色标示了三个重要区域：
左上角的播放按钮用来启动app在模拟器运行。
播放按钮的正下方列出了与我们项目相关的文件和文件夹。这是项目导航栏，方便你找项目里的文件和文件夹。
播放按钮旁边写着iPhone 8，表示你想用模拟器仿真的目标设备。你可以点击它，在下拉列表里选择iPhone 7。
让我们开始运行app吧，看看会发生什么。点击左上角的播放按钮让模拟器运行app。在框中随便键入些文字，点击预测按钮。发生了什么?
到现在，我们的app什么也没做，只是原样输出框中键入的文字。
向你的app中添加一个训练好的模型
相当简单：
将你的.mlmodel模型文件拖入到Xcode窗口工程导航栏中。
做好后，会弹出一个含有几项选择的窗口，默认缺省，点击“结束”。
当你像这样拖拽文件到Xcode时，自动在工程中生成该文件的参考路径。这样你能轻松地在代码中获取该文件。
编译模型
在能够用我们的模型进行推测之前，需要让Xcode在建立阶段中编译模型。以下是具体步骤：
在工程导航栏中选择有蓝色标识的文件
会在右手边打开工程设置。点击Compile Sources(编译源)并选择+标识。
在新出现的窗口中选择 SpamMessageClassifier.mlmodel文件，点击新增。
现在每次运行app，Xcode就会编译我们的机器学习模型，使它能用来做预测。
在代码中创建模型
任何为苹果设备开发的app都用swift编程。你不需要学swift但如果以后你有兴趣深入，你可以跟着这个教程学。
在工程导航栏中选择 ViewController.swift。这一文件包含大部分控制app功能的代码。
第24行的 predictSpam() 函数会做最多的工作。删除第25行，向函数中添加以下代码：
let enteredMessage = messageTextField.text!
if (enteredMessage != ""){
spamLabel.text = ""
}
//Fetch tfidf representation of text
let vec = tfidf(sms: enteredMessage)
do {
//Get prediction on the text
let prediction = try SpamMessageClassifier().prediction(message: vec).spam_or_not
print (prediction)
if (prediction == "spam"){
spamLabel.text = "SPAM!"
}
else if(prediction == "ham"){
spamLabel.text = "NOT SPAM"
catch{
spamLabel.text = "No Prediction"
}
以上代码检查用户是否向框内输入了任何信息。如果有，调用tfidf()函数计算文本的tfidf值。然后生成一个SpamMessageClassifier 对象实例，再调用.prediction() 函数。这与sklearn中的 .predict() 函数相同。然后基于预测展示恰当的信息。
但为什么需要tfidf()?
记住我们基于文本的tf-idf表征来训练模型，因此我们的模型需要相同形式的输入。一旦获得键入的文本框的信息，就调入tfidf()函数来做同样的事。来写这一步的代码吧，复制下列代码放在predictSpam()函数后：
//MARK: Functionality code
func tfidf(sms: String) -> MLMultiArray{
//get path for files
let wordsFile = Bundle.main.path(forResource: "wordlist", ofType: "txt")
let smsFile = Bundle.main.path(forResource: "SMSSpamCollection", ofType: "txt")
//read words file
let wordsFileText = try String(contentsOfFile: wordsFile!, encoding: String.Encoding.utf8)
var wordsData = wordsFileText.components(separatedBy: .newlines)
wordsData.removeLast() // Trailing newline.
//read spam collection file
let smsFileText = try String(contentsOfFile: smsFile!, encoding: String.Encoding.utf8)
var smsData = smsFileText.components(separatedBy: .newlines)
smsData.removeLast() // Trailing newline.
let wordsInMessage = sms.split(separator: " ")
//create a multi-dimensional array
let vectorized = try MLMultiArray(shape: [NSNumber(integerLiteral: wordsData.count)], dataType: MLMultiArrayDataType.double)
for i in 0..
let word = wordsData[i]
if sms.contains(word){
var wordCount = 0
for substr in wordsInMessage{
if substr.elementsEqual(word{
wordCount += 1
let tf = Double(wordCount) / Double(wordsInMessage.count)
var docCount = 0
for sms in smsData{
if sms.contains(word) {
docCount += 1
let idf = log(Double(smsData.count) / Double(docCount))
vectorized[i] = NSNumber(value: tf * idf)
} else {
vectorized[i] = 0.0
return vectorized
} catch {
return MLMultiArray()
以上代码得到文本框内输入信息的tfidf表征，为此读取SMSSpamCollection.txt原始数据库并返回同样信息。一旦你保存项目然后再次运行模拟器，你的app就会运行良好。
4、CoreML优缺点
像每个发展中的库一样，CoreML有优点也有缺点。让我们说清楚。
优点：
对在移动设备上运行性能进行优化，最小化内存和能量消耗。
在移动设备上运行保证了用户隐私，不再需要将数据发给服务器做预测。
在移动设备上运行意味着甚至在没联网的时候都可以做预测，此外对用户来说反应时间更短。
能自己决定在CPU还是GPU上运行(或者都有)。
因为它可以用CPU，所以你能在iOS模拟器上运行它(iOS模拟器不支持GPU)。
提供了很多模型，因为它能从其他主流机器学习框架中引入模型：
支持向量机(SVM)
树集成，如随机森林、提升树
线性回归和逻辑回归
神经网络：前向反馈、卷积、循环
缺点：
只支持有监督模型，不支持无监督模型和强化学习。
不支持模型在设备上再训练，只能做预测。
如果CoreML不支持某种层，你就不可以使用。目前还不能用自己的层扩展CoreML。
CoreML工具只支持少量训练工具的特定版本(竟然不支持tensorflow)。
不能看中间层的输出，只能得到预测结果。
只支持回归和分类(不支持聚类、排序、降维等)。
结语
本文中，我们学习了CoreML及应用它开发iPhone机器学习app。CoreML是一个较新的库，因此有自己的优点和缺点。有一个非常有用的优点是它在本地设备上运行，因此速度更快，保证数据隐私。但同时，它功能不全面，对数据科学家的需求考虑还不够周全。期待后续版本会改进。
如果你在某个步骤遇到困难，本文所有代码都在GitHub上。
原文发布时间为：2017-10-13
本文作者：Happen，Chloe，笪洁琼，魏子敏编译
本文来自云栖社区合作伙伴“51CTO”，了解相关信息可以关注。